Quiz

--- primary_color: steelblue secondary_color: lightgray text_color: black --- ### Konversi Tipe Data DateTime di Pandas Apa fungsi utama dari konversi tipe data ke DateTime dalam analisis data time series? 1. [x] Memudahkan indexing data. 1. [ ] Menambahkan kolom tanggal. 1. [ ] Mengurutkan data secara otomatis. 1. [ ] Menghilangkan data yang tidak relevan. ### Downsampling dan Upsampling Downsampling merujuk pada proses pengubahana data time series ke: 1. [ ] Frekuensi yang lebih tinggi. 1. [x] Frekuensi yang lebih rendah. 1. [ ] Frekuensi yang sama. 1. [ ] Frekuensi acak. ### Grouping Berdasarkan Bulan Bagaimana cara melakukan grouping data berdasarkan bulan pada Pandas? 1. [ ] `groupby('Bulan')` 1. [ ] `groupby('Month')` 1. [x] `groupby(data.index.month)` 1. [ ] `groupby(data['Bulan'])` ### Metode Rata-rata Bergerak Metode apa yang digunakan untuk mengidentifikasi trend dalam data time series? 1. [ ] Dekomposisi Seasonal. 1. [ ] Regresi Linier. 1. [x] Rata-rata Bergerak. 1. [ ] Resampling Data. ### Identifikasi Seasonality dalam Data Apa tujuan dari dekomposisi seasonal dalam analisis data time series? 1. [x] Mengidentifikasi komponen musiman. 1. [ ] Menghitung rata-rata bergerak. 1. [ ] Menghapus tren jangka panjang. 1. [ ] Menggabungkan data dari berbagai waktu. ## Implementasi Rata-rata Bergerak Bagaimana cara menggunakan rolling windows untuk merata-ratakan data dalam Pandas? 1. [x] `data['column'].rolling(window=5).mean()` 1. [ ] `rolling_mean(data['column'], 5)` 1. [ ] `mean_rolling(data['column'], window=5)` 1. [ ] `data['column'].mean(5)` ### Upsampling Frekuensi Tertentu Upsampling dapat digunakan untuk mengubah data time series menjadi frekuensi: 1. [ ] Tahunan. 1. [ ] Bulanan. 1. [x] Harian. 1. [ ] Mingguan. ### Penanganan Nilai Kosong Apa strategi umum yang dapat digunakan untuk menangani nilai kosong pada data time series? 1. [ ] Menghapus baris yang mengandung nilai kosong. 1. [ ] Menggantikan nilai kosong dengan nilai rata-rata. 1. [ ] Menandai nilai kosong dengan angka 0. 1. [x] Semua jawaban benar. ### Identifikasi Komponen Residu Komponen mana yang menggambarkan sisa atau kesalahan setelah mengidentifikasi trend dan musiman? 1. [ ] Komponen Trend. 1. [ ] Komponen Musiman. 1. [x] Komponen Residu. 1. [ ] Semua jawaban salah. ### Kesimpulan Analisis Trend dan Seasonality Apa kesimpulan utama yang dapat diambil dari analisis trend dan seasonality dalam data time series? 1. [ ] Trend membantu memahami fluktuasi harian. 1. [ ] Seasonality membantu mengidentifikasi tren jangka panjang. 1. [x] Analisis ini memberikan wawasan dalam pola perubahan data seiring waktu. 1. [ ] Analisis ini tidak berguna dalam konteks data time series.